CN117198065B - 一种汽车智能限速器 - Google Patents
一种汽车智能限速器 Download PDFInfo
- Publication number
- CN117198065B CN117198065B CN202311302720.9A CN202311302720A CN117198065B CN 117198065 B CN117198065 B CN 117198065B CN 202311302720 A CN202311302720 A CN 202311302720A CN 117198065 B CN117198065 B CN 117198065B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- layer
- nodes
- time point
- graph structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000000547 structure data Methods 0.000 claims abstract description 42
- 238000002910 structure generation Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆控制技术领域,公开了一种汽车智能限速器,包括:路径信息采集模块,其用于以第一车辆在t时间点的位置划定半径为第一半径的生成区域;采集生成区域内的车辆的位置信息和过去的一个长度为C的时间段的路径信息;图结构生成模块,基于采集的信息构建图结构数据,图结构数据包括节点以及节点的初始向量;图像采集模块,采集t时间点的第一车辆的正前方的图像作为第一图像;限速值生成模块,将图结构数据和第一图像输入第一模型,输出限速值;限速控制模块,限制第一车辆超过限速值;本发明能够适应超车情况提供限速。
Description
技术领域
本发明涉及车辆控制技术领域,更具体地说,它涉及一种汽车智能限速器。
背景技术
一般的限速是根据前车速度和所要保持的安全距离来进行限制,但是其他车辆在对当前车辆进行超车时,超车的车辆将会作为当前车辆的新的前车,按照当前速度继续行驶可能无法在超车的车辆超车时与其保持安全距离,根据前车速度和所要保持的安全距离来进行限速的方法不再适用。
发明内容
本发明提供一种汽车智能限速器,解决相关技术中不能够适应超车情况提供限速的技术问题。
本发明提供了一种汽车智能限速器,包括:
路径信息采集模块,其用于以第一车辆在t时间点的位置划定半径为第一半径的生成区域,定义t时间点位于生成区域内的除第一车辆之外的车辆为第二车辆;
采集生成区域内的车辆的位置信息和过去的一个长度为C的时间段的路径信息;
图结构生成模块,基于采集的信息构建图结构数据,图结构数据包括节点以及节点的初始向量;
图结构数据的节点与生成区域内的车辆一一对应;
图结构数据的第i个节点的邻域节点集合为Ni,M≥i≥1,M为节点的总数,Ni中的节点均与第i个节点存在边,Ni中的节点对应的车辆在t时间点位于第i个节点为中心的第一区域内,第一区域的半径为第二半径;
图像采集模块,采集t时间点的第一车辆的正前方的图像作为第一图像;
限速值生成模块,将图结构数据和第一图像输入第一模型,第一模型包括GNN层、卷积层、拼接层和全连接层,其中GNN层输入图结构数据,输出节点的嵌入向量,卷积层输入第一图像,输出第一图像特征,拼接层将对应于第一车辆的节点的嵌入向量与第一图像特征拼接后输入全连接层,全连接层输出第一车辆的在t时间点之后的长度为D的时间段内的限速值;
限速控制模块,检测第一车辆的速度是否超过限速值,如果超过限速值则对第一车辆进行减速,并限制其速度超过限速值。
进一步地,卷积层单独的连接输出能见度值的全连接层进行预训练。
进一步地,限速控制模块连接第一车辆的动力源的控制器,向其发送限速信号。
进一步地,通过车载传感器采集生成区域内的车辆的过去的一个长度为C的时间段的路径信息,路径信息表示为:其中/>分别表示第i个车辆的第t-C个时间点到第t个时间点的特征向量,/> 其中/>和/>分别表示第i个车辆的第t个时间点的经度、纬度。
进一步地,图结构数据的节点的初始向量通过将车辆的过去的一个长度为C的时间段的路径信息向量化表示。
进一步地,GNN层的计算公式如下:
其中,Oi表示第i个节点的节点更新矢量,θi表示第i个节点的聚合指数,Ni表示与第i个节点存在边的节点的集合,σ表示非线性激活函数,W2表示第二权重,Ej分别表示第j个节点的节点矢量;
第i个节点的聚合指数的计算公式如下:
其中,Zi=W1Ei,Zj=W1Ej,Ei和Ej分别表示第i个和j个节点的节点矢量,W1表示第一权重,表示第三权重,T表示转置操作,exp表示自然指数函数,LeakyReLU表示LeakyRelu激活函数,Ni表示与第i个节点存在边的节点的集合。
进一步地,对第一模型的GNN层、卷积层、拼接层进行独立的训练,拼接层之后连接第二拼接层,第二拼接层的输入还连接起始特征生成器,第二拼接层连接生成器,生成器连接判别器,判别器的输入还连接终止特征生成器;
t时间点之后的长度为D的时间段内对第一车辆进行超车的第二车辆标记为超车车辆;
起始特征生成器根据超车车辆在t时间点过去的一个长度为C的时间段内的路径信息生成起始特征;
终止特征生成器根据超车车辆在t时间点之后的长度为D的时间段内超车到第一车辆同一车道时的位置信息生成终止特征;
第二拼接层用于将拼接层输出的拼接特征与起始特征拼接构成组合向量输入到生成器,生成器输出生成向量,生成向量的维数与终止特征的维数一致。
进一步地,生成器训练的损失函数为:
L=1*logD(x1)+0*logD(x0)+1*logD(G(z1))+0*logD(G(z0))
其中L表示损失值,D(x0)、(x1)分别是判别器判断输入判别器的特征是生成终止特征还是生成向量的概率;其中D(G(z1))、D(G(z0))分别是判断器判断输入判别器的样本是生成终止特征还是生成向量的概率。
本发明提供了一种汽车智能限速方法,包括以下步骤:
S201,以第一车辆在t时间点的位置划定半径为第一半径的生成区域,定义t时间点位于生成区域内的除第一车辆之外的车辆为第二车辆;
S202,采集生成区域内的车辆的位置信息和过去的一个长度为C的时间段的路径信息;
S203,基于采集的信息构建图结构数据,图结构数据包括节点以及节点的初始向量;
图结构数据的节点与生成区域内的车辆一一对应;
图结构数据的第i个节点的邻域节点集合为Ni,M≥i≥1,M为节点的总数,Ni中的节点均与第i个节点存在边,Ni中的节点对应的车辆在t时间点位于第i个节点为中心的第一区域内,第一区域的半径为第二半径;
S204,采集t时间点的第一车辆的正前方的图像作为第一图像;
S205,将图结构数据和第一图像输入第一模型,第一模型包括GNN层、卷积层、拼接层和全连接层,其中GNN层输入图结构数据,输出节点的嵌入向量,卷积层输入第一图像,输出第一图像特征,拼接层将对应于第一车辆的节点的嵌入向量与第一图像特征拼接后输入全连接层,全连接层输出第一车辆的在t时间点之后的长度为D的时间段内的限速值;
S206,检测第一车辆的速度是否超过限速值,如果超过限速值则对第一车辆进行减速,并限制其速度超过限速值。
本发明提供了一种存储介质,存储有非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时,由计算机执行前述的汽车智能限速方法中的一个或多个步骤。
本发明能够适应超车情况提供限速,能够在不同能见度情况下输出的合适的限速速度。
附图说明
图1是本发明的一种汽车智能限速器的模块示意图;
图2是本发明的一种汽车智能限速方法的流程图;
图3是本发明的存储介质的模块示意图;
图4是本发明的第一模型的输出结果图。
图中:路径信息采集模块101,图结构生成模块102,图像采集模块103,限速值生成模块104,限速控制模块105。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
图1为本公开的至少一个实施例中提供一种汽车智能限速器,包括:
路径信息采集模块101,其用于以第一车辆在t时间点的位置划定半径为第一半径的生成区域,定义t时间点位于生成区域内的除第一车辆之外的车辆为第二车辆;
采集生成区域内的车辆的位置信息和过去的一个长度为C的时间段的路径信息;
图结构生成模块102,基于采集的信息构建图结构数据,图结构数据包括节点以及节点的初始向量;
图结构数据的节点与生成区域内的车辆一一对应;
图结构数据的第i个节点的邻域节点集合为Ni,M≥i≥1,M为节点的总数,Ni中的节点均与第i个节点存在边,Ni中的节点对应的车辆在t时间点位于第i个节点为中心的第一区域内,第一区域的半径为第二半径;
图像采集模块103,采集t时间点的第一车辆的正前方的图像作为第一图像;
限速值生成模块104,将图结构数据和第一图像输入第一模型,第一模型包括GNN层、卷积层、拼接层和全连接层,其中GNN层输入图结构数据,输出节点的嵌入向量,卷积层输入第一图像,输出第一图像特征,拼接层将对应于第一车辆的节点的嵌入向量与第一图像特征拼接后输入全连接层,全连接层输出第一车辆的在t时间点之后的长度为D的时间段内的限速值;
限速控制模块105,检测第一车辆的速度是否超过限速值,如果超过限速值则对第一车辆进行减速,并限制其速度超过限速值。
前述的第一车辆即为需要进行限速的车辆。
在本公开的一个实施例中,卷积层单独的连接输出能见度值的全连接层进行预训练;
在本公开的一个实施例中,第一图像可以是通过第一车辆的行车记录仪提供。
在本公开的一个实施例中,限速控制模块105连接第一车辆的动力源的控制器,向其发送限速信号。
在本公开的一个实施例中,通过车载导航***采集生成区域内的车辆的位置信息,位置信息包括:车辆的经纬度;采集的时间间隔相等。
在本公开的一个实施例中,通过车载传感器采集生成区域内的车辆的过去的一个长度为C的时间段的路径信息,路径信息表示为:其中/>分别表示第i个车辆的第t-C个时间点到第t个时间点的特征向量,/>其中/>和/>分别表示第i个车辆的第t个时间点的经度、纬度;
在本公开的一个实施例中,图结构数据的节点的初始向量通过将车辆的过去的一个长度为C的时间段的路径信息向量化表示;
第一模型训练时截取的历史的始终与前车保持安全距离的行驶记录生成训练样本,生成训练样本的行驶记录中包含了对第一车辆进行超车的情况,在整个行驶记录中第一车辆均与前车保持设定的安全距离。以行驶记录中包含了t时间点,t时间点之前的行驶记录成为行驶前段,之后的行驶记录成为行驶后段,行驶后段中第一车辆的最高速度作为训练样本对应的限速值,与第一模型输出的限速值对比作为损失。
对于前述的D的值的取值范围优选在1-10s之间,此时第一模型输出的错误限速值的概率很低,更大的D值会伴随过程中更多次数的超车,复杂度提高,第一模型输出的错误限速值的可能性增加。
C的值优选为20-50s之间,过大的C值会导致处理速度的过大,过小的C值会导致产出的信息过少。
在本公开的一个实施例中,设定的安全距离是根据行驶记录对应的能见度来选择的。
在本公开的一个实施例中,GNN层的计算公式如下:
其中,Oi表示第i个节点的节点更新矢量,θi表示第i个节点的聚合指数,Ni表示与第i个节点存在边的节点的集合,σ表示非线性激活函数,W2表示第二权重,Ej分别表示第j个节点的节点矢量;
第i个节点的聚合指数的计算公式如下:
其中,Zi=W1Ei,Zj=W1Ej,Ei和Ej分别表示第i个和j个节点的节点矢量,W1表示第一权重,表示第三权重,T表示转置操作,exp表示自然指数函数,LeakyReLU表示LeakyRelu激活函数,Ni表示与第i个节点存在边的节点的集合;
图2为本公开的至少一个实施例中提供一种汽车限速方法,包括以下步骤:
S201,以第一车辆在t时间点的位置划定半径为第一半径的生成区域,定义t时间点位于生成区域内的除第一车辆之外的车辆为第二车辆;
S202,采集生成区域内的车辆的位置信息和过去的一个长度为C的时间段的路径信息;
S203,基于采集的信息构建图结构数据,图结构数据包括节点以及节点的初始向量;
图结构数据的节点与生成区域内的车辆一一对应;
图结构数据的第i个节点的邻域节点集合为Ni,M≥i≥1,M为节点的总数,Ni中的节点均与第i个节点存在边,Ni中的节点对应的车辆在t时间点位于第i个节点为中心的第一区域内,第一区域的半径为第二半径;
S204,采集t时间点的第一车辆的正前方的图像作为第一图像;
S205,将图结构数据和第一图像输入第一模型,第一模型包括GNN层、卷积层、拼接层和全连接层,其中GNN层输入图结构数据,输出节点的嵌入向量,卷积层输入第一图像,输出第一图像特征,拼接层将对应于第一车辆的节点的嵌入向量与第一图像特征拼接后输入全连接层,全连接层输出第一车辆的在t时间点之后的长度为D的时间段内的限速值;
S206,检测第一车辆的速度是否超过限速值,如果超过限速值则对第一车辆进行减速,并限制其速度超过限速值。
图3为本公开的至少一实施例提供的一种存储介质300,存储有非暂时性计算机可读指令310,当所述非暂时性计算机可读指令310由计算机执行前述的汽车智能限速方法中的一个或多个步骤
前述的模型基于截取的历史的能够保持安全距离的超车片段作为训练样本,这样的训练样本中包含了第一车辆提高限速仍能够保持安全距离的情况,人工难以对训练样本进行校正,导致模型输出的限速值大部分情况下低于第一车辆能够采取的最大的速度值。
在本公开的一个实施例中提供以下方法:在前述的训练过程完成后对第一模型的GNN层、卷积层、拼接层进行独立的训练,拼接层之后连接第二拼接层,第二拼接层的输入还连接起始特征生成器,第二拼接层连接生成器,生成器连接判别器,判别器的输入还连接终止特征生成器;
t时间点之后的长度为D的时间段内对第一车辆进行超车的第二车辆标记为超车车辆;
起始特征生成器根据超车车辆在t时间点过去的一个长度为C的时间段内的路径信息生成起始特征;
终止特征生成器根据超车车辆在t时间点之后的长度为D的时间段内超车到第一车辆同一车道时的位置信息生成终止特征;
第二拼接层用于将拼接层输出的拼接特征与起始特征拼接构成组合向量输入到生成器,生成器输出生成向量,生成向量的维数与终止特征的维数一致;
由于对超车车辆的数量是不固定的,因此超车车辆的位置信息数量也不同,通过相同规则编码生成的终止特征的维数不同,需要对终止特征之后插补0值使其维数与起始特征的维数相同;
训练的损失函数为:
L=1*logD(x1)+0*logD(x0)+1*logD(G(z1))+0*logD(G(z0))
其中L表示损失值,D(x0)、(x1)分别是判别器判断输入判别器的特征是生成终止特征还是生成向量的概率;其中D(G(z1))、D(G(z0))分别是判断器判断输入判别器的样本是生成终止特征还是生成向量的概率;
训练判别器时对该损失函数增加负号。
第一模型用于提取与下一时间段保证其他车辆超车时处于安全距离的第一车辆的车速有关的特征,通过训练中生成超车车辆的超车位置的训练能够优化第一模型对于所需特征的提取能力,使其输出的限速值趋近于第一车辆能够采取的最大的速度值;
如图4所示,随机选择了一组训练样本通过增加训练前后的第一模型进行测试,对于大部分样本增加训练后的第一模型输出了更高的限速值,并且训练前后的第一模型输出的限速值结合训练样本来源的行驶记录进行模拟仿真试验后并未出现第一车辆与前车小于安全距离的情况。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (9)
1.一种汽车智能限速器,其特征在于,包括:
路径信息采集模块,其用于以第一车辆在t时间点的位置划定半径为第一半径的生成区域,定义t时间点位于生成区域内的除第一车辆之外的车辆为第二车辆;
采集生成区域内的车辆的位置信息和过去的一个长度为C的时间段的路径信息;
图结构生成模块,基于采集的信息构建图结构数据,图结构数据包括节点以及节点的初始向量;
图结构数据的节点与生成区域内的车辆一一对应;
图结构数据的第i个节点的邻域节点集合为Ni,M≥i≥1,M为节点的总数,Ni中的节点均与第i个节点存在边,Ni中的节点对应的车辆在t时间点位于第i个节点为中心的第一区域内,第一区域的半径为第二半径;
图像采集模块,采集t时间点的第一车辆的正前方的图像作为第一图像;
限速值生成模块,将图结构数据和第一图像输入第一模型,第一模型包括GNN层、卷积层、拼接层和全连接层,其中GNN层输入图结构数据,输出节点的嵌入向量,卷积层输入第一图像,输出第一图像特征,拼接层将对应于第一车辆的节点的嵌入向量与第一图像特征拼接后输入全连接层,全连接层输出第一车辆的在t时间点之后的长度为D的时间段内的限速值;
限速控制模块,检测第一车辆的速度是否超过限速值,如果超过限速值则对第一车辆进行减速,并限制其速度超过限速值;
在对第一模型进行训练之后再对第一模型的GNN层、卷积层、拼接层进行独立的训练,拼接层之后连接第二拼接层,第二拼接层的输入还连接起始特征生成器,第二拼接层连接生成器,生成器连接判别器,判别器的输入还连接终止特征生成器;
t时间点之后的长度为D的时间段内对第一车辆进行超车的第二车辆标记为超车车辆;
起始特征生成器根据超车车辆在t时间点过去的一个长度为C的时间段内的路径信息生成起始特征;
终止特征生成器根据超车车辆在t时间点之后的长度为D的时间段内超车到第一车辆同一车道时的位置信息生成终止特征;
第二拼接层用于将拼接层输出的拼接特征与起始特征拼接构成组合向量输入到生成器,生成器输出生成向量,生成向量的维数与终止特征的维数一致。
2.根据权利要求1所述的一种汽车智能限速器,其特征在于,卷积层单独的连接输出能见度值的全连接层进行预训练。
3.根据权利要求1所述的一种汽车智能限速器,其特征在于,限速控制模块连接第一车辆的动力源的控制器,向其发送限速信号。
4.根据权利要求1所述的一种汽车智能限速器,其特征在于,通过车载传感器采集生成区域内的车辆的过去的一个长度为C的时间段的路径信息,路径信息表示为:其中/>分别表示第i个车辆的第t-C个时间点到第t个时间点的特征向量,/>其中/>和/>分别表示第i个车辆的第t个时间点的经度、纬度。
5.根据权利要求1所述的一种汽车智能限速器,其特征在于,图结构数据的节点的初始向量通过将车辆的过去的一个长度为C的时间段的路径信息向量化表示。
6.根据权利要求1所述的一种汽车智能限速器,其特征在于,GNN层的计算公式如下:
其中,Oi表示第i个节点的节点更新矢量,θi表示第i个节点的聚合指数,Ni表示与第i个节点存在边的节点的集合,σ表示非线性激活函数,W2表示第二权重,Ej分别表示第j个节点的节点矢量;
第i个节点的聚合指数的计算公式如下:
其中,Zi=W1Ei,Zj=W1Ej,Ei和Ej分别表示第i个和j个节点的节点矢量,W1表示第一权重,表示第三权重,T表示转置操作,exp表示自然指数函数,LeakyReLU表示LeakyRelu激活函数,Ni表示与第i个节点存在边的节点的集合。
7.根据权利要求1所述的一种汽车智能限速器,其特征在于,生成器训练的损失函数为:
L=1*logD(x1)+0*logD(x0)+1*logD(G(z1))+0*logD(G(z0))
其中L表示损失值,D(x0)、D(x1)分别是判别器判断输入判别器的特征是生成终止特征还是生成向量的概率;其中D(G(z1))、D(G(z0))分别是判断器判断输入判别器的样本是生成终止特征还是生成向量的概率。
8.一种汽车智能限速方法,其特征在于,包括以下步骤:
S201,以第一车辆在t时间点的位置划定半径为第一半径的生成区域,定义t时间点位于生成区域内的除第一车辆之外的车辆为第二车辆;
S202,采集生成区域内的车辆的位置信息和过去的一个长度为C的时间段的路径信息;
S203,基于采集的信息构建图结构数据,图结构数据包括节点以及节点的初始向量;
图结构数据的节点与生成区域内的车辆一一对应;
图结构数据的第i个节点的邻域节点集合为Ni,M≥i≥1,M为节点的总数,Ni中的节点均与第i个节点存在边,Ni中的节点对应的车辆在t时间点位于第i个节点为中心的第一区域内,第一区域的半径为第二半径;
S204,采集t时间点的第一车辆的正前方的图像作为第一图像;
S205,将图结构数据和第一图像输入第一模型,第一模型包括GNN层、卷积层、拼接层和全连接层,其中GNN层输入图结构数据,输出节点的嵌入向量,卷积层输入第一图像,输出第一图像特征,拼接层将对应于第一车辆的节点的嵌入向量与第一图像特征拼接后输入全连接层,全连接层输出第一车辆的在t时间点之后的长度为D的时间段内的限速值;
对第一模型的GNN层、卷积层、拼接层进行独立的训练,拼接层之后连接第二拼接层,第二拼接层的输入还连接起始特征生成器,第二拼接层连接生成器,生成器连接判别器,判别器的输入还连接终止特征生成器;
t时间点之后的长度为D的时间段内对第一车辆进行超车的第二车辆标记为超车车辆;
起始特征生成器根据超车车辆在t时间点过去的一个长度为C的时间段内的路径信息生成起始特征;
终止特征生成器根据超车车辆在t时间点之后的长度为D的时间段内超车到第一车辆同一车道时的位置信息生成终止特征;
第二拼接层用于将拼接层输出的拼接特征与起始特征拼接构成组合向量输入到生成器,生成器输出生成向量,生成向量的维数与终止特征的维数一致;
S206,检测第一车辆的速度是否超过限速值,如果超过限速值则对第一车辆进行减速,并限制其速度超过限速值。
9.一种存储介质,其特征在于,存储有非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时,由计算机执行如权利要求8所述的汽车智能限速方法中的一个或多个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311302720.9A CN117198065B (zh) | 2023-10-09 | 2023-10-09 | 一种汽车智能限速器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311302720.9A CN117198065B (zh) | 2023-10-09 | 2023-10-09 | 一种汽车智能限速器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117198065A CN117198065A (zh) | 2023-12-08 |
CN117198065B true CN117198065B (zh) | 2024-05-10 |
Family
ID=88999905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311302720.9A Active CN117198065B (zh) | 2023-10-09 | 2023-10-09 | 一种汽车智能限速器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117198065B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103359123A (zh) * | 2013-07-04 | 2013-10-23 | 陈根 | 一种智能车速控制管理***及实现方法 |
CN105984341A (zh) * | 2015-02-15 | 2016-10-05 | 广州汽车集团股份有限公司 | 汽车主动限速方法和*** |
DE102019114595A1 (de) * | 2018-08-07 | 2020-02-13 | GM Global Technology Operations LLC | Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zum ableiten von strassenabschnittgeschwindigkeitsgrenzwerten |
CN113147733A (zh) * | 2021-04-30 | 2021-07-23 | 东风汽车集团股份有限公司 | 雨雾沙尘天气汽车智能限速***及方法 |
CN114299742A (zh) * | 2022-01-20 | 2022-04-08 | 福建工程学院 | 一种高速公路的限速信息动态识别与更新推荐方法 |
CN114822055A (zh) * | 2022-06-06 | 2022-07-29 | 深圳英博达智能科技有限公司 | 一种基于机器视觉检测的智慧交通道路协作*** |
DE102021109716A1 (de) * | 2021-04-16 | 2022-10-20 | Bayerische Motoren Werke Aktiengesellschaft | Geschwindigkeitsbegrenzer für ein Fahrzeug |
-
2023
- 2023-10-09 CN CN202311302720.9A patent/CN117198065B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103359123A (zh) * | 2013-07-04 | 2013-10-23 | 陈根 | 一种智能车速控制管理***及实现方法 |
CN105984341A (zh) * | 2015-02-15 | 2016-10-05 | 广州汽车集团股份有限公司 | 汽车主动限速方法和*** |
DE102019114595A1 (de) * | 2018-08-07 | 2020-02-13 | GM Global Technology Operations LLC | Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zum ableiten von strassenabschnittgeschwindigkeitsgrenzwerten |
DE102021109716A1 (de) * | 2021-04-16 | 2022-10-20 | Bayerische Motoren Werke Aktiengesellschaft | Geschwindigkeitsbegrenzer für ein Fahrzeug |
CN113147733A (zh) * | 2021-04-30 | 2021-07-23 | 东风汽车集团股份有限公司 | 雨雾沙尘天气汽车智能限速***及方法 |
CN114299742A (zh) * | 2022-01-20 | 2022-04-08 | 福建工程学院 | 一种高速公路的限速信息动态识别与更新推荐方法 |
CN114822055A (zh) * | 2022-06-06 | 2022-07-29 | 深圳英博达智能科技有限公司 | 一种基于机器视觉检测的智慧交通道路协作*** |
Also Published As
Publication number | Publication date |
---|---|
CN117198065A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
WO2022083784A1 (zh) | 一种基于车联网的道路检测方法 | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN111079533B (zh) | 无人车驾驶决策方法、无人车驾驶决策装置及无人车 | |
CN111931639B (zh) | 驾驶员行为检测方法、装置、电子设备及存储介质 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN111507488A (zh) | 一种基于vr的车辆维修保养辅助*** | |
CN112380918A (zh) | 一种道路车辆状态识别方法、装置、电子设备及存储介质 | |
US11100372B2 (en) | Training deep neural networks with synthetic images | |
CN116894394A (zh) | 一种自动驾驶测试场景的生成方法及相关设备 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN117198065B (zh) | 一种汽车智能限速器 | |
CN117725218A (zh) | 一种文本分类方法、计算机设备及程序产品 | |
CN117596038A (zh) | 一种基于深度学习的车载网络入侵检测方法、装置及存储介质 | |
CN112052829A (zh) | 一种基于深度学习的飞行员行为监控方法 | |
CN115171389B (zh) | 基于gmm-hmm的高速公路他车超车换道意图识别方法 | |
CN114782936B (zh) | 一种基于改进yolov5s网络的行为检测方法 | |
CN116168210A (zh) | 用于神经网络的对抗鲁棒性的特征的选择性剔除 | |
CN115935642A (zh) | 基于事故信息的智能车极端测试场景自动生成方法与*** | |
CN109753999A (zh) | 针对任意视角汽车图片的细粒度车型识别方法 | |
CN114970805A (zh) | 用于操作机动车辆的方法 | |
CN112327834A (zh) | 一种导航控制设备以及无人驾驶汽车 | |
CN114008638A (zh) | 一种使用选择性深度生成重放模块对深度神经网络模型执行可调连续学习的方法和装置 | |
US20230177112A1 (en) | Method and system for generating a logical representation of a data set, as well as training method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |